-
公开(公告)号：CN111652903B
公开(公告)日：2023-09-08
申请号：CN202010439299.6
申请日：2020-05-22
申请人： 重庆理工大学
IPC分类号： G06T7/207
摘要： 本发明涉及一种自动驾驶场景下基于卷积关联网络的行人目标跟踪方法，通过利用卷积关联网络与轻量级目标检测网络共享特征，来捕获目标间的关联性，从而实现目标跟踪，具体包括以下步骤：A1‑1、获取一个一阶段目标检测模型，然后一共经过5次下采样，在最后三个尺度的特征图上进行预测，除了第一次下采样时采用普通卷积模块，后面四次下采样均采用多尺度下采样模块中设计到的模型均更换成可分离卷积模块，并将模型在最后三次下采样的特征图上做目标框预测，最终构成轻量级行人目标检测网络；A2‑1、预测目标关联矩阵，得到目标关联矩阵；A3‑1、然后通过卷积关联网络设计行人目标跟踪策略，最终获得行人关联的目标跟踪结果。本发明在跟踪精度与速度上都能良好地适应自动驾驶场景。
-
公开(公告)号：CN117853871A
公开(公告)日：2024-04-09
申请号：CN202410054461.0
申请日：2024-01-15
申请人： 重庆理工大学
摘要： 本发明提供一种基于深度学习的脑肿瘤检测方法，包括以下步骤：通过骨干网络对输入的磁共振图像进行多尺度特征提取，输出三个有效特征层：通过颈部网络对骨干网络输出的三个有效特征层进行特征融合增强，得到三个不同尺寸大小的特征输出层：通过头部网络的检测头对颈部网络最终得到的三个特征输出层，分别先使用轻量动态卷积去调整通道数，之后使用1×1卷积去预测脑肿瘤目标，输出包含脑肿瘤类别、边界框与置信度的预测结果图像。本申请能让神经网络重点关注有用的特征，抑制无关特征的干扰，提高模型泛化能力；能防止丢失原始图像中的细节信息，提高模型检测效果；同时通过使用轻量动态卷积模块进行卷积处理，降低了计算复杂度。
-
公开(公告)号：CN117079184A
公开(公告)日：2023-11-17
申请号：CN202311048600.0
申请日：2023-08-21
申请人： 重庆理工大学
摘要： 本发明提供一种基于外部注意力和特征增强的时序动作定位方法，包括利用预先训练好的通用动作分类网络提取未经剪辑视频的视频特征，将提取的视频特征输入到配备外部注意力模块的Transformer层提取到多尺度特征金字塔，利用多尺度特征增强模块对多尺度特征金字塔进行不同尺度特征之间的特征增强和不同尺度特征的特征融合，将融合和增后的特征输入到包含分类和回归组件的检测头，得到预测的动作类别标签和动作起止边界。本方法Transformer层中的外部注意力模块使用两个线性层来取代自注意力，因此外部注意力具有线性复杂性，降低了整个模型的算法复杂度和参数量，同时通过多尺度特征增强模块弥补特征金字塔中各个尺度特征之间的不一致性来提高特征金字塔结构有效性。
-
公开(公告)号：CN111652910A
公开(公告)日：2020-09-11
申请号：CN202010439523.1
申请日：2020-05-22
申请人： 重庆理工大学
IPC分类号： G06T7/246
摘要： 本发明涉及一种基于对象空间关系的目标跟踪算法，具体包括以下步骤：G1、以图像的特征和目标在图像中的位置作为输入，并利用五层卷积小网络来捕获两帧图像中目标的关联性，最终获得目标间的特征相似矩阵；G2、获取目标中心点的距离作为目标间的空间相似矩阵，将空间相似矩阵与特征相似矩阵做哈达玛积，同时计算目标的关联性，防止将表观特征相似性大但空间位置相距较远的目标进行错误关联，最终得到目标跟踪结果。本发明能够改善只利用目标表观特征的目标跟踪算法在目标表观特征相似性大而空间特征相似性小的场景下出现的跟踪效果降低的问题。
-
公开(公告)号：CN117994517A
公开(公告)日：2024-05-07
申请号：CN202410174697.8
申请日：2024-02-07
申请人： 重庆理工大学
IPC分类号： G06V10/26 , G06T7/11 , G06T7/00 , G06N3/0464 , G06V10/774 , G06V10/82 , G16H30/20
摘要： 本发明涉及一种能准确进行医学图像分割的方法，该方法包括：获取公开数据集，构建和训练U形混合CNN‑Transformer网络命名为BRAU‑Net++，BRAU‑Net++使用双层路由注意力作为核心构建块来设计U形编码器‑解码器结构，其中编码器和解码器都是分层构建的，以便学习全局语义信息同时降低计算复杂性。此外，该BRAU‑Net++通过整合通道‑空间注意力来重构跳跃连接，该注意力采用卷积操作，以最小化局部空间信息损失并扩大多尺度特征的全局维度交互能力，最后将测试医学图像输入训练好的CNN‑Transformer网络，输出即为测试医学图像分割后的结果。在三种不同成像模态数据集上进行的大量实验证明了本发明方法对于多模态医学图像分割任务的普适性和鲁棒性。
-
公开(公告)号：CN114898151A
公开(公告)日：2022-08-12
申请号：CN202210523986.5
申请日：2022-05-13
申请人： 重庆理工大学
IPC分类号： G06V10/764 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明提供一种基于深度学习与支持向量机融合的图像分类方法，包括在深度学习卷积神经网络中嵌入坐标注意力模块作为特征提取网络，卷积神经网络通过对图像进行卷积以及下采样，提取具有代表性的图像特征，坐标注意力模块通过在两个空间方向聚合特征，以极低的计算开销来捕获位置信息和通道关系，实现增强网络的图像特征表示；将特征提取网络输出的增强图像特征经过全连接层进入支持向量机对提取的图像特征进行图像分类，卷积神经网络利用支持向量机的合页损失函数反向传播训练网络模型，使得卷积神经网络中的梯度可以反向传播，进而学习较低级别的特征。本方法将嵌入坐标注意力机制的卷积神经网络与SVM相融合实现图像分类，提高了图像分类精度。
-
公开(公告)号：CN109934852B
公开(公告)日：2022-07-12
申请号：CN201910258535.1
申请日：2019-04-01
申请人： 重庆理工大学
摘要： 本发明公开了一种基于对象属性关系图的视频描述方法，该方法将给定长视频划分为在内容上基本一致的视频段，然后基于每一视频段对该段视频内容进行分析，提取出视频场景中的关键对象，此处提取的关键对象为包含关键对象的矩形框；将提取出来的每一关键对象作为表示该视频段所对应对象属性关系图的结点，通过对每一关键对象进行空间和时间上的特征分析来对其进行属性描述，并作为结点属性；将获取的关键对象之间的相对位置关系作为该视频段所对应对象属性关系图中两个结点之间的连接边，并以此将两关键对象之间相对方向、距离、相对位置关系在时间上的变化作为边属性。该方法实现了一定时间内复杂视频内容的有效并精炼的表示，且具有很好的扩展性。
-
公开(公告)号：CN117830682A
公开(公告)日：2024-04-05
申请号：CN202410030030.0
申请日：2024-01-09
申请人： 重庆理工大学
IPC分类号： G06V10/762 , G06V10/80 , G06V10/82 , G06N3/09
摘要： 本发明提供一种基于双对称网络信息融合与互影响的深度属性图聚类算法，包括获得自编码器模块和对称图自编码器模块的最终联合表示，重构属性矩阵和邻接矩阵，通过多分布自我监督模块获得单次训练的聚类结果，构建联合损失函数，循环执行上述步骤直到联合损失函数收敛。本申请通过设计在训练过程中自适应融合来自两个网络学习到的表示的异构动态融合模块，能够学习到更好的联合表示；通过设计具有对称结构的对称图自编码器模块，提高了整体网络模型的泛化能力和鲁棒性；通过设计具有多网络软聚类分配相互影响的多分布自我监督模块，可以同时优化表示学习和聚类任务，能为多个网络生成的软聚类分配提供相互学习和联合优化多网络提取特征的作用。
-
公开(公告)号：CN111652910B
公开(公告)日：2023-04-11
申请号：CN202010439523.1
申请日：2020-05-22
申请人： 重庆理工大学
IPC分类号： G06T7/246
摘要： 本发明涉及一种基于对象空间关系的目标跟踪算法，具体包括以下步骤：G1、以图像的特征和目标在图像中的位置作为输入，并利用五层卷积小网络来捕获两帧图像中目标的关联性，最终获得目标间的特征相似矩阵；G2、获取目标中心点的距离作为目标间的空间相似矩阵，将空间相似矩阵与特征相似矩阵做哈达玛积，同时计算目标的关联性，防止将表观特征相似性大但空间位置相距较远的目标进行错误关联，最终得到目标跟踪结果。本发明能够改善只利用目标表观特征的目标跟踪算法在目标表观特征相似性大而空间特征相似性小的场景下出现的跟踪效果降低的问题。
-
公开(公告)号：CN111652903A
公开(公告)日：2020-09-11
申请号：CN202010439299.6
申请日：2020-05-22
申请人： 重庆理工大学
IPC分类号： G06T7/207
摘要： 本发明涉及一种自动驾驶场景下基于卷积关联网络的行人目标跟踪方法，通过利用卷积关联网络与轻量级目标检测网络共享特征，来捕获目标间的关联性，从而实现目标跟踪，具体包括以下步骤：A1-1、获取一个一阶段目标检测模型，然后一共经过5次下采样，在最后三个尺度的特征图上进行预测，除了第一次下采样时采用普通卷积模块，后面四次下采样均采用多尺度下采样模块中设计到的模型均更换成可分离卷积模块，并将模型在最后三次下采样的特征图上做目标框预测，最终构成轻量级行人目标检测网络；A2-1、预测目标关联矩阵，得到目标关联矩阵；A3-1、然后通过卷积关联网络设计行人目标跟踪策略，最终获得行人关联的目标跟踪结果。本发明在跟踪精度与速度上都能良好地适应自动驾驶场景。
-
-
-
-
-
-
-
-
-
搜索结果
11 条记录 (耗时 0.023 秒)
